Tavus Griffin: Model Interaksi Manusia, Dijelaskan

Tavus Griffin adalah Human Interaction Model — HIM, nama kategori milik vendor tersebut — dan hal yang paling berguna untuk ditetapkan terlebih dahulu tentangnya adalah apa yang bukan dirinya. Ini bukan generator video. Model video menerima prompt, bingkai diam, atau klip lalu mengembalikan file yang sudah jadi; file itulah produknya. Tavus Griffin menerima seseorang yang duduk di depan kamera dan melakukan percakapan dengannya, menghasilkan wajah, suara, dan perilaku nonverbal pada saat yang sama ia mendengarkan dan memutuskan, secara terus-menerus, selama panggilan berlangsung. Satu-satunya versi yang pernah disentuh siapa pun di luar perusahaan adalah Griffin-Lite, pratinjau riset yang halamannya memuat tanggal 1 Oktober 2026, terbuka bagi penguji tepercaya terpilih melalui formulir permintaan, tanpa harga yang dipublikasikan, tanpa pengenal model di dokumentasi API Tavus, dan tanpa endpoint. Halaman ini adalah jawaban tetap atas apa model ini, di atas apa ia berjalan, apa yang sebenarnya telah diukur, dan siapa yang dapat menggunakannya.

Pertanyaan kelas, karena selama ini dijawab dengan salah

Telusuri Tavus Griffin, dan seorang pembaca sama besar kemungkinannya menemukan perbandingan dengan model teks-ke-video atau gambar-ke-video seperti menemukan apa pun tentang percakapan. Kerangka itu layak dikoreksi, bukan disiasati, karena segala hal di hilirnya — untuk apa model itu bagus, apa arti skornya, apakah latensinya cepat atau lambat — bergantung pada kelas mana Anda mengelompokkannya. Kedua kelas itu bukan variasi dari tema yang sama. Keduanya menerima hal yang berbeda, menghasilkan hal yang berbeda, dan diukur dengan instrumen yang berbeda.

• Model pembuatan video — masukannya adalah prompt, gambar, atau klip; keluarannya adalah file dengan panjang tetap; interaksi berakhir saat proses render selesai. Benchmark menilai pikselnya.

• Tavus Griffin — inputnya adalah orang sungguhan, audio dan videonya, secara terus-menerus; outputnya adalah aliran pembicaraan dan video yang tidak pernah harus berakhir; interaksinya adalah produknya. Tolok ukur harus menilai pertukaran tersebut.

Griffin juga, dalam kerangka vendor, merupakan penolakan terhadap cara biasa sebuah agen interaktif disusun. Tavus secara eksplisit membandingkannya dengan sistem kaskade yang merangkai pengenalan suara, model bahasa, dan sintesis suara satu demi satu, menunggu pengguna selesai berbicara sebelum mulai merespons. Griffin digambarkan sebagai video-ke-video dupleks penuh: persepsi, keputusan tentang kapan dan bagaimana merespons, serta pembangkitan respons semuanya berjalan pada waktu yang sama, dan tetap berjalan saat model berbicara.

Ada sinyal dalam kata-kata yang benar-benar diketik pembaca. Salah satu kueri yang tercatat untuk model ini adalah "tavus griffin human interaction model", yaitu seorang pencari yang mendeskripsikan kelasnya sebelum menemukan halaman yang menamainya. Itu deskripsi yang tepat. Tavus menciptakan istilah tersebut, menyingkatnya menjadi HIM, dan memberi judul halaman model itu sendiri Model Interaksi Manusia Pertama. Jadi jawaban singkat tentang apa itu Tavus Griffin: sistem avatar percakapan waktu nyata, yang oleh pembuatnya digolongkan sebagai Model Interaksi Manusia, yang merupakan kategori produk yang berbeda dari model video, bukan versi yang lebih baik.

Apa yang masuk dan apa yang dihasilkan, secara langsung

Masukannya adalah audio dan video seseorang secara langsung, ditambah perintah sistem, riwayat percakapan, gambar referensi dan klip audio referensi, serta kemampuan untuk memanggil alat di tengah percakapan. Di sisi keluaran, model percakapan tidak hanya mengeluarkan teks: ia mengeluarkan teks ditambah serangkaian sinyal kontrol yang mengarahkan generator ucapan dan video, yang membuat nada, sikap, ekspresi wajah, dan gerakan tetap terkait dengan keputusan yang menghasilkannya.

Di sisi generasi, Tavus mengatakan arsitektur ini menghasilkan video 720p secara real time, satu latent pada satu waktu, menerima kontrol streaming sehingga model percakapan dapat mengarahkan perilaku nonverbal seperti memberi gestur, memalingkan muka, atau mengubah register emosional. Sisi wicara mengeluarkan paket audio sekecil 10 ms, dan suara dapat dikloning dari sekitar sepuluh detik audio referensi. Setiap angka tersebut adalah deskripsi vendor sendiri tentang sistemnya sendiri, di halamannya sendiri.

Latensi adalah satu-satunya angka dalam kelompok itu yang dipublikasikan vendor sebagai pengukuran, bukan sebagai target desain. Dibandingkan dengan empat model difusi streaming yang telah dipublikasikan, dalam pengaturan audio-ke-video di mana setiap sistem diberi ucapan dan gambar referensi dan harus menghasilkan wajah yang berbicara, Tavus melaporkan Griffin-Lite memiliki rata-rata 0,43 detik latensi audio-ke-video sebenarnya pada H100s, dengan kasus terbaik 0,27 dtk dan kasus terburuk 0,59 dtk. Sebagai gambaran skala, angka milik vendor sendiri untuk metode tercepat berikutnya dalam perbandingan itu rata-rata 0,86 dtk, dan yang paling lambat rata-rata 1,45 dtk. Tavus menjalankan perbandingan itu terhadap baseline yang dipilih Tavus, jadi anggap itu sebagai angka yang dilaporkan vendor dengan protokol spesifik yang menyertainya, bukan sebagai peringkat netral.

Salah satu hal yang tidak dipublikasikan vendor adalah geometri frame generator video tersebut. Tidak ada angka frame per detik di halaman itu dan tidak ada pernyataan tentang berapa banyak frame video yang dicakup oleh satu latent, yang berarti durasi potongan tertentu yang pernah Anda lihat dikutip untuk Griffin — 320 ms, atau latent delapan frame, atau rasio kompresi yang dinyatakan — tidak ada di halaman Tavus saat ini dan tidak boleh diulang seolah-olah memang ada. Yang dinyatakan adalah 720p, satu latent dalam satu waktu, dan rata-rata audio-ke-video 0,43 detik.

Terdiri dari apa pipeline itu sebenarnya

Tavus menggambarkan Griffin sebagai sistem dua bagian, dan kedua bagiannya didokumentasikan dengan cukup rinci untuk diperiksa.

Yang pertama adalah Continuous Conversational Modeling mesin. Ia memahami audio dan video yang masuk, memutuskan kapan dan bagaimana merespons, dan mengeluarkan teks serta sinyal kontrol. Poin desainnya adalah interval: ia membuat keputusan percakapan pada interval tetap di bawah satu detik alih-alih sekali per giliran, yang oleh vendor disebut mini-turn. Pada setiap interval, ia menilai keadaan percakapan dan dapat mengambil giliran bicara, mempertahankannya, menyerahkannya, memberi backchannel tanpa menyela, atau berhenti saat disela. Karena keputusannya berkelanjutan alih-alih digerakkan oleh batas giliran, jeda untuk berpikir tidak dianggap sebagai akhir giliran. Griffin juga memahami video, sedangkan sebagian besar sistem interaktif hanya memahami audio, dan inilah yang memberinya tatapan mata, ekspresi wajah, lingkungan pengguna, serta apa pun yang pengguna angkat atau bagikan ke kamera.

Yang kedua adalah Generasi Audio Visual, sebuah mesin yang dengan sendirinya terdiri atas dua arsitektur — generasi ucapan streaming dan generasi video streaming — yang mengubah sinyal kontrol tersebut menjadi suara dan piksel. Model ucapan adalah transformer difusi autoregresif cepat yang mengambil klip referensi terenkode sebagai prefiks dan menghasilkan ucapan baru secara progresif, satu potongan laten setiap kali, seiring bertambahnya output dan kontrol yang tiba, alih-alih menunggu seluruh ujaran disusun sebelum mulai berbicara.

Di bawah sisi ucapan terdapat codec yang oleh vendor disebut Tavec v1.7, dan di sinilah angka-angka yang dipublikasikan menjadi spesifik. Ini adalah autoencoder konvolusional yang memetakan audio 48 kHz ke laten kontinu berisi 40 nilai per frame pada 100 frame per detik, tanpa codebook. Decoder-nya sepenuhnya kausal, sehingga mempertahankan state antar chunk dan menghasilkan satu bentuk gelombang yang mulus dari laten yang dialirkan. Kekompakannya adalah intinya: satu menit ucapan adalah 6.000 frame laten dibandingkan 2,88 juta sampel audio mentah, yang membuat sekuens cukup pendek bagi transformer autoregresif untuk memprediksi lebih cepat daripada waktu nyata. Tavus melaporkan dekode 2.193× waktu nyata, ViSQOL MOS-LQO 4,242, dan 28,42 juta parameter decoder, dengan throughput diukur pada H100. Semua dilaporkan vendor.

Sisi video tiba di tempat yang sama dari arah sebaliknya. Model-model awal Tavus mengandalkan prior 3D yang ekstensif, yang membatasi apa yang dapat mereka ekspresikan; persyaratan yang dinyatakan vendor untuk generator video Griffin adalah respons cepat terhadap setiap potongan audio yang masuk, toleransi terhadap kontrol yang berubah dengan cepat, dan identitas, lip sync, serta kualitas visual yang stabil selama generasi panjang. Jalur menuju ke sana adalah distilasi tiga tahap dari guru difusi besar bidirectional banyak langkah. Distribution Matching Distillation menghasilkan student beberapa langkah yang cepat tetapi masih menghasilkan seluruh video dalam satu potongan. Teacher forcing mengubah student itu menjadi model autoregresif yang menghasilkan satu latent dalam satu waktu. Self-Forcing kemudian melatihnya pada riwayat yang dihasilkannya sendiri, dengan mekanisme tambahan yang bekerja pada frame riwayat, sehingga rollout panjang tidak melenceng — yang merupakan mode kegagalan yang biasanya dimiliki kelas model ini, wajah yang memburuk atau latar belakang yang mengembara selama percakapan yang berlangsung beberapa menit.

Apa yang telah diukur, dan oleh siapa

Hampir setiap angka di atas adalah Tavus yang mengukur Tavus. Pengecualiannya, dan alasan mengapa ini berbobot, adalah VideoFDB milik NVIDIA — tolok ukur untuk percakapan audio-visual dupleks penuh yang dibangun NVIDIA, dan yang menurut NVIDIA dijalankannya secara independen menggunakan metrik yang dipublikasikan dan penilainya sendiri. Ia menilai model pada dua jalur, generasi dan persepsi, masing-masing dengan rubriknya sendiri dan papan peringkatnya sendiri, pada skala nol hingga lima.

• Generasi — apa yang dihasilkan agen, audio dan video sekaligus, sebagai respons terhadap peristiwa dinamis dalam stream pengguna. Griffin-Lite mendapat skor 3,83 terhadap referensi ground-truth manusia sebesar 3,92; sistem dengan skor tertinggi berikutnya mendapat 2,80. Penyelarasan takeover-rate, yang mengukur seberapa dekat keputusan model tentang kapan harus berbicara dengan waktu dalam percakapan referensi, adalah 62,8% untuk Griffin-Lite dan 78% untuk referensi manusia, dengan angka waktu 1.892 ms.

• Persepsi — masukan audio-visual, keluaran audio, menilai apakah agen membaca momen dengan tepat. Griffin-Lite memperoleh skor 3.73 dibandingkan referensi manusia sebesar 4.20, dengan penyelarasan tingkat pengambilalihan sebesar 73.8% dan pengaturan waktu 2,232 ms. Tavus menyebutnya sebagai model paling perseptif pada tolok ukur di antara 15 yang dievaluasi.

Dua catatan penting perlu disertakan pada hal-hal itu sebelum siapa pun mengulanginya. Baseline terdekat pada jalur persepsi tercantum sebagai MiniCPM-o 4.5 pada 3,44 — tetapi itu baris hanya audio (A2A); baris audio-visual lengkap sistem yang sama adalah 3,40. Griffin membaca video, jadi perbandingan yang jujur adalah dengan baris audio-visual, yang menempatkan selisihnya pada 0,33 bukan 0,29, dan sebagian dari apa yang diukur oleh selisih itu hanyalah nilai dari memiliki mata. Dan selisih 0,09 poin dengan acuan manusia pada skala lima poin yang dinilai oleh model bahasa lebih baik dibaca sebagai "dekat dengan manusia pada rubrik ini" daripada sebagai "setingkat manusia".

Angka utama lainnya adalah milik Tavus sendiri. Dalam sebuah studi yang dijalankan perusahaan, peserta yang direkrut melalui platform riset independen diberi tahu bahwa mereka akan dipasangkan dengan peserta lain untuk panggilan video satu menit; pasangan mereka adalah PAL yang menjalankan Griffin-Lite. Dari 54 peserta, 26 — 48% — percaya bahwa pasangan mereka adalah orang sungguhan. Dengan protokol yang sama, stack perusahaan sebelumnya yang dibangun dari Phoenix-4.5, Raven-1, dan Sparrow-2 menghasilkan 2,4%, atau satu peserta dari 41. Kedua kelompok sama-sama yakin: 79% di antara mereka yang menyebutnya nyata, 81% di antara mereka yang menyebutnya AI. Lebih dari separuh mengatakan bahwa kemungkinan itu sama sekali tidak terlintas di benak mereka, dan mereka yang mencurigai biasanya mulai mencurigainya dalam dua puluh detik pertama. Pada skala tujuh poin, model ini memperoleh rata-rata 5,4 untuk tampak alami, 5,6 untuk dapat dipercaya, 5,8 untuk ingin berbicara lagi, 5,5 untuk merasa didengarkan, dan 4,9 — yang terendah dari kelima aspek — untuk apakah percakapan mengalir secara alami.

Studi itu adalah studi yang dijalankan vendor dengan protokol yang dijelaskan dan ukuran sampel yang dinyatakan, yang lebih dari yang ditawarkan sebagian besar peluncuran model dan kurang dari replikasi independen. Tidak ada pihak ketiga yang mereproduksi protokol tatap muka, dan Tavus Griffin tidak memiliki entri di papan peringkat model video independen. Dua skor track VideoFDB adalah satu-satunya angka di halaman ini yang dihasilkan oleh organisasi selain Tavus.

Akses dan harga: apa yang tersedia saat ini

Ini adalah bagian terpendek di halaman ini karena hampir tidak ada apa pun di dalamnya. Apa yang dipublikasikan, pada materi milik vendor itu sendiri:

• Status — Griffin-Lite adalah pratinjau riset, dan Tavus menyatakan bahwa untuk saat ini produk ini tidak akan tersedia untuk penggunaan pelanggan, meskipun tersedia bagi penguji tepercaya terpilih.

• Akses — melalui formulir permintaan, dengan peluncuran yang lebih luas dari model yang lebih mumpuni sebagaimana dijelaskan berikut.

• Platform — kalimat penutup vendor itu sendiri mengatakan bahwa Griffin belum ada di platform Tavus, dan akan hadir setelah perusahaan tersebut menemukan cara merilisnya dengan aman.

• Harga — belum ada yang dipublikasikan. Halaman harga Tavus mencakup produk PAL serta rangkaian Phoenix, Raven, dan Sparrow; tidak ada yang disebutkan tentang Griffin, dan tidak ada angka per menit, per detik, atau per permintaan di mana pun di situs vendor tersebut.

• Endpoint dan pengenal — tidak ada. Griffin tidak muncul dalam indeks dokumentasi API Tavus, yang halaman modelnya mendokumentasikan Phoenix untuk rendering wajah, Raven untuk persepsi, dan Sparrow untuk pergantian giliran. Tidak ada string model untuk dipanggil.

Vendor menyatakan pihaknya memperkirakan akan merilis Griffin segera setelah pekerjaan keselamatan yang dijelaskannya ditangani. Itu adalah pernyataan niat, bukan tanggal, dan itu satu-satunya pernyataan yang berorientasi ke depan tentang topik tersebut.

Untuk apa Tavus Griffin tidak ditujukan

Kesenjangan antara hasil benchmark dan status rilis adalah isi praktis dari halaman ini, jadi ada baiknya bersikap terus terang tentang hal-hal yang saat ini belum dapat digunakan oleh model tersebut.

Ini bukan hal yang bisa dijadikan landasan untuk membangun jalur yang menghadap pelanggan pada kuartal ini. Sebuah deployment membutuhkan pengenal model, harga, batas laju, narasi region, dan semacam komitmen ketersediaan, dan tidak satu pun dari itu ada. Tim yang merencanakan seputar Griffin hari ini sedang merencanakan seputar formulir permintaan.

Ini bukan generator video, dan tidak boleh dimasukkan ke dalam pipeline klip berdasarkan kekuatan angka-angkanya. Skornya berasal dari harness percakapan dupleks penuh dengan rubriknya sendiri dan penilainya sendiri; papan peringkat model video menilai klip pendek berdasarkan preferensi berpasangan pada prompt. Kedua instrumen tersebut tidak menghasilkan angka yang sebanding, yang berarti Tavus Griffin belum diuji secara head-to-head dengan model video mana pun pada upaya dan harness yang setara, dan tidak ada peringkat di antara keduanya yang boleh disimpulkan dari apa yang dipublikasikan.

Menurut pengakuan vendor sendiri, ini belum aman untuk dirilis secara terbuka. Tavus menulis bahwa sifat-sifat yang sama yang membuat Human Interaction Model menjadi antarmuka yang lebih baik juga membuatnya lebih mahir menipu seseorang hingga percaya bahwa itu bukan AI, bahwa diperlukan pekerjaan penyelarasan dan keselamatan lebih lanjut, dan bahwa fitur pengungkapan serta evaluasi keselamatan dari pihak luar sedang dalam proses. Mengingat hampir separuh sampel langsung tidak dapat menebak, dan bahwa peserta yang bisa sebagian besar berhasil mengetahuinya dalam waktu dua puluh detik, pertanyaan pengungkapan bukanlah catatan kaki bagi model itu — melainkan gerbang yang menentukan bagi model tersebut.

Yang dapat dibeli hari ini adalah bagian lain dari tumpukan di sekitarnya. Pipeline video percakapan adalah sebuah rantai — pengenalan ucapan, model bahasa, sintesis ucapan, lalu lapisan rendering yang membuatnya menjadi wajah — dan tiga yang pertama bersifat komoditas, dapat dipertukarkan, dan sudah dapat dirutekan. Semuanya berjalan di belakang satu endpoint yang kompatibel dengan OpenAI di OrcaRouter, dengan lebih dari dua ratus model pada satu kunci, harga daftar penyedia diteruskan pada markup 0% sehingga perubahan harga vendor berlaku pada hari yang sama alih-alih setelah siklus kontrak, failover otomatis yang mengalihkan rute saat penyedia menurun — yang lebih penting dalam panggilan langsung daripada dalam tugas batch, karena kegagalannya terdengar — plus DSL perutean untuk menyatakan model mana yang harus menangani apa, dan fusi model untuk menggabungkan keluaran. Lapisan generasi adalah bagian yang masih berupa pratinjau riset; lapisan-lapisan di atasnya adalah bagian yang dapat dirakit oleh tim sekarang. Tavus Griffin tidak muncul di daftar model live OrcaRouter, yang konsisten dengan model yang tidak memiliki endpoint yang dipublikasikan dan tidak memiliki pengenal untuk dirutekan.

Apa yang akan mengubah halaman ini

Tiga hal, dan semuanya cukup spesifik untuk diperhatikan. Kartu model dengan string model dan harga akan menggeser Tavus Griffin dari hasil riset menjadi pertanyaan pengadaan. Replikasi independen atas protokol tatap muka — laboratorium kedua yang menjalankan panggilan satu menit yang sama dengan pesertanya sendiri — akan berbuat lebih banyak bagi angka 48% itu daripada yang bisa dilakukan studi vendor mana pun. Dan laporan sesi panjang dari seseorang di luar Tavus akan menguji satu klaim yang menjadi dasar arsitektur ini dan tidak dicakup tolok ukur mana pun: bahwa Self-Forcing dan mekanisme frame riwayat benar-benar menjaga wajah dan latar belakang tetap menyatu selama percakapan yang berlangsung dalam hitungan menit, bukan detik. Sampai salah satu dari itu terwujud, kedua jalur VideoFDB adalah bukti terkuat yang tersedia, dan keduanya disertai selisih 0,09 poin dari manusia pada generasi dan 0,47 pada persepsi.